"本書作者是互聯網大廠資深數據分析師作者累計創作 “100+”篇數據分析原創文章，所有渠道累計閱讀量超1000000本書是數據分析方法論與統計學知識、編程語言及應用案例的完美結合本書適合工作了1～3 年的初級數據分析師已經掌握了數據分析工具，需要培養數據思維的轉行人員數據科學行業的人力專家和獵頭等"

●第1篇 數據思維
第1章 數據思維是什麼
1.1 從數據治理流程淺談數據思維
1.1.1 什麼是數據治理
1.1.2 數據治理流程介紹
1.1.3 從數據治理流程談數據部門崗位職責
1.1.4 數據分析師在數據治理流程中所需要的數據思維
1.2 數據思維到底是什麼
1.2.1 應用數據思維的工作
1.2.2 數據思維是可以培養的
1.3 數據思維最直觀的解釋
1.3.1 構建有效的監控體繫和客觀的評價標準
1.3.2 用合理的分析方法探究原因以及評價效果
1.3.3 綜合運用統計學知識對活動效果進行預估
第2章 為什麼數據思維如此重要
2.1 數據思維是數據分析師推薦的技能
2.1.1 數據分析師推薦的硬技能
2.1.2 數據分析師推薦的軟技能
2.1.3 為什麼軟技能比硬技能重要
2.2 數據思維是數據分析師成長晉升的推薦技能
2.3 數據思維能幫助數據分析師建立影響力
第3章 數據思維如何培養
3.1 熟悉常用的數據分析方法
3.1.1 三大分析思維
3.1.2 不同生命周期的分析方法
3.2 樹立目標意識，尋找潛在分析點
3.2.1 為什麼需要樹立目標意識
3.2.2 通過多問“為什麼”，樹立目標意識
3.3 不預設立場，通過客觀的標準代替主觀的判斷
3.3.1 不預設立場纔能做到客觀
3.3.2 預設立場與假設檢驗的區別
3.4 基於數據分析結果為業務方提出切實可行的解決方案
3.4.1 數據分析師提出合理建議需要經歷的三個階段
3.4.2 數據分析師需要避免的幾種提建議的方式
第2篇 數據指標體繫
第4章 數據埋點
4.1 數據埋點簡介
4.1.1 從數據產生流程淺談數據埋點
4.1.2 為什麼需要進行數據埋點
4.1.3 數據埋點能夠采集哪些用戶數據
4.1.4 數據埋點與隱私保護
4.2 數據埋點分類及主流的數據上報技術
4.2.1 數據埋點的分類及方式
4.2.2 主流的數據上報技術
4.3 數據埋點方案設計
4.3.1 數據埋點流程
4.3.2 通過六個步驟實現數據埋點設計
4.3.3 以電商成交為例實現數據埋點設計
第5章 數據標簽體繫
5.1 數據標簽體繫與用戶畫像
5.1.1 什麼是數據標簽體繫
5.1.2 數據標簽體繫的作用
5.1.3 數據標簽的分類
5.1.4 用戶數據標簽的層級分類
5.1.5 數據標簽體繫與用戶畫像的關繫
5.2 如何構建數據標簽體繫
5.2.1 數據標簽體繫構建的流程
5.2.2 數據分析師在標簽體繫構建過程中承擔的角色
5.2.3 以某App付費用戶的數據標簽體繫的構建為例，淺析數據標簽體繫構建過程
5.3 數據標簽體繫的應用場景
5.3.1 數據標簽體繫輔助運營人員進行決策分析
5.3.2 數據標簽體繫可提升數據分析師的分析效率
第6章 數據指標體繫
6.1 從中國人口數據初識指標體繫構建
6.1.1 什麼是指標體繫
6.1.2 為什麼需要指標體繫
6.1.3 指標體繫的評價標準及注意事項
6.2 用四個模型梳理數據指標體繫構建的方法論
6.2.1 構建數據指標體繫的方法
6.2.2 用三個步驟、四個模型梳理數據指標體繫的方法
6.2.3 以GMV為例搭建數據指標體繫
6.3 如何搭建一套通用的指標體繫並快速落地應用
6.3.1 多部門配合搭建數據指標體繫的流程
6.3.2 搭建通用的指標體繫
6.4 定位異動因素
6.4.1 數據波動多少纔能稱為數據異動
6.4.2 數據波動分析的方法論
6.4.3 從數據埋點到指標體繫再到指標異動的閉環
第3篇 數據分析方法論
第7章 對比思維
7.1 利用對比分析得出結論
7.1.1 對比分析的作用
7.1.2 確定對比的對像
7.1.3 如何對比
7.1.4 對比分析的可比性原則
7.2 A/B試驗設計及容易忽略的誤區
7.2.1 什麼是A/B試驗
7.2.2 A/B試驗能解決什麼問題
7.2.3 A/B試驗的流程
7.2.4 A/B試驗常見的誤區
7.3 A/B試驗背後涉及的統計學原理
7.3.1 什麼是抽樣
7.3.2 樣本為什麼可以代表總體
7.3.3 通過假設檢驗判斷A、B兩組樣本是否存在差異
7.3.4 如何通過樣本估計總體
7.3.5 如何確定足夠的樣本量，以達到所希望的邊際誤差
7.3.6 如何衡量試驗效果
7.3.7 多重比較中P值修正的三方法
7.4 Python實戰：A/B試驗在廣告方案選擇中的應用
7.4.1 試驗背景
7.4.2 數據基本情況探索
7.4.3 A/B試驗結果分析
第8章 分群思維
8.1 從用戶生命周期淺談分群思維
8.1.1 什麼是分群思維
8.1.2 為什麼需要用戶分群
8.1.3 用戶分群方法論
8.2 用數據分箱進行結構

本書以數據思維為主題，以數據分析全流程為主線，融合了編程語言、統計學基礎及案例分析等內容，全書分為4篇，囊括了數據思維的概念和培養方法、數據來源及體繫建設、數據分析三大思維方式及用戶流失、用戶轉化實戰等共11章的內容。本書囊括了數據分析中常用的分析方法，包括經典的海盜（AARRR）模型、麥肯錫的MECE模型、邏輯樹、漏鬥分析、路徑分析、對比分析、A／B試驗、RFM模型、K－Means算法、5W2H等分析方法，還包括各類方法的實踐案例及Python實操項目。可以說本書是數據分析方法論與統計學知識、編程語言及應用案例的完美結合。

李渝方 著